Компанията представи SensorFM — базов AI модел за анализ на подадените данни от носими медицински устройства. Системата е обучена въз основа на над трилион минути сигнали от сензори, събрани от 5 милиона души. Тя не просто изчислява средните стойности, а изгражда индивидуален „цифров отпечатък“ на човешката физиология, улавяйки микропромени, незабележими за стандартните методи. Разработчиците виждат в нея основа за персонализирана медицина и медицински AI-агенти.
Днес милиарди носими устройства ежедневно събират данни за състоянието на организма: сърдечната честота, движението, температурата на кожата, нивото на кислород в кръвта и качеството на съня. Превръщането обаче на тези потоци от информация в полезни медицински заключения остава сложна задача. Причината е, че физиологията и начинът на живот на хората се различават значително, а събирането на качествени медицински данни с потвърдени диагнози и лабораторни показатели е трудно и скъпо. В резултат на това повечето модели за носими устройства се създават за една конкретна задача и не оценяват добре състоянието на човешкото здраве като цяло.
SensorFM предлага различен подход: вместо да създават отделни модели за всяко заболяване или показател за здравето, разработчиците обучиха единна система на базата на мащабен масив от немаркирани данни. По-конкретно, бяха използвани анонимизирани данни за 5 млн. доброволци, събрани в периода от септември 2024 г. до септември 2025 г. Наборът включва информация от над 100 държави, всички щати на САЩ и повече от 20 модела устройства Fitbit и Pixel Watch. Общо системата е получила достъп до 1 трилион минути данни от сензори.
Моделът анализира 34 агрегирани показателя, получени от пет вида сензори: фотоплетизмография, акселерометри, сензори за електродермална активност, температура на кожата и алтиметрия. Тези сигнали позволяват проследяване на сърдечния ритъм и неговата променливост, съня, физическата активност, нивото на кислородно насищане на кръвта и други характеристики през денонощието.
Архитектура на обучението и анализ на показателите
SensorFM може да работи с непълни данни. В ежедневието носимите устройства често губят част от информацията: човек сваля часовника си, изключва сензорите или устройството преминава в режим на енергоспестяване. Вместо да изтрива тези записи или изкуствено да запълва празнините, моделът се обучава да приема пропуските като естествена част от данните, което му позволява да се адаптира по-добре към реалните условия на употреба. Експериментите показаха, че увеличаването на обема на данните и размера на модела пряко подобрява неговите възможности.
Изследователите тестваха SensorFM върху 35 задачи за прогнозиране на здравословното състояние. Информацията за тестовете е взета от три независими дългосрочни проучвания с участието на 13 985 души. Самият модел не беше дообучаван: за всяка конкретна задача към вградените модели на SensorFM се добавяше само опростен линеен модел.
В този режим SensorFM надмина традиционните подходи, основани на ръчно подбрани характеристики и обучение с учител, в 34 от 35 теста. Особено очевидно предимство се наблюдава при откриването на депресия и тревожност — състояния, които оставят слаби и трудно различими сигнали в данните от носимите устройства.
Разработчиците също така провериха дали SensorFM може да послужи като основа за личен медицински AI агент. В експеримент с реални профили на участници лекарите оцениха препоръките, създадени от агента въз основа на прогнозите на модела. Добавянето на данни от SensorFM подобри оценките по критериите за персонализация, релевантност и обоснованост, а резултатите се оказаха сравними с вариантите, при които бяха използвани действителните медицински измервания. Според екипа SensorFM демонстрира преход от множество специализирани модели към универсални AI системи, способни да анализират индивидуалната физиология на човека и да подпомагат персонализираната медицина.